Σε πολλούς τομείς το πρόβλημα είναι ότι τα δεδομένα βρίσκονται διασκορπισμένα σε τμήματα και συστήματα, αλλά προκύπτουν εντός ενός και του ίδιου οργανισμού. Στον αγροτικό τομέα ο κατακερματισμός ξεκινά ήδη πριν από αυτό το σημείο. Ένα μεγάλο μέρος των πιο ζητούμενων δεδομένων βιωσιμότητας — χρήση εδάφους, κατανάλωση νερού, αμειψισπορά, ζωοτροφές, εκπομπές από κοπριά — δεν προκύπτει στην ίδια την επιχείρηση που υποβάλλει την αναφορά, αλλά σε καλλιεργητές, προμηθευτές και συνεταιρισμούς που δεν διαθέτουν λογιστική ή ψηφιακή ρουτίνα για αυτό. Εκεί όπου ένας οργανισμός γραφείου μπορεί να ανακτήσει δεδομένα από ένα σύστημα ERP, μια αγροτική επιχείρηση πρέπει συχνά πρώτα να απευθυνθεί σε μια αλυσίδα τρίτων μερών που δεν θεωρούν το ζήτημα δικό τους πρόβλημα.
Επιπλέον, τα δεδομένα που είναι διαθέσιμα εσωτερικά έχουν συνήθως καταγραφεί ανά τμήμα επιχείρησης ή ανά καλλιεργητική περίοδο, όχι ανά περίοδο αναφοράς. Ένα οικονομικό έτος δεν συμπίπτει με έναν κύκλο συγκομιδής, και ένας συντελεστής εκπομπών που ισχύει σήμερα μπορεί την επόμενη περίοδο να έχει ήδη αλλάξει λόγω διαφορετικής καλλιέργειας ή διαφορετικής κατεργασίας εδάφους. Το μεγαλύτερο μέρος του χρόνου που αφιερώνεται στην αναφορά βιωσιμότητας δεν αφορά τη συμπλήρωση αριθμών, αλλά την ανίχνευση από πού πρέπει στην πραγματικότητα να προέλθουν αυτοί οι αριθμοί.
Το πρώτο σημείο είναι η ίδια η αλυσίδα εφοδιασμού. Ένα μεγάλο μέρος των εκπομπών scope 3 στον αγροτικό τομέα βρίσκεται σε προμηθευτές που δεν τηρούν αναφορά βιωσιμότητας και των οποίων τα δεδομένα — αν υπάρχουν — βρίσκονται σε διαφορετική μορφή, διαφορετική γλώσσα, ή δεν έχουν ψηφιοποιηθεί καθόλου. Όποιος θέλει να συνδέσει εδώ ένα σημείο δεδομένων με μια πηγή, ανακαλύπτει ότι η πηγή είναι μερικές φορές ένα πρόσωπο, όχι ένα σύστημα.
Το δεύτερο σημείο είναι η λειτουργία εντός της ίδιας της επιχείρησης: η κατανάλωση νερού, ενέργειας και φυτοπροστατευτικών προϊόντων συχνά καταγράφεται σε χαρτί ή σε ξεχωριστά αρχεία Excel ανά αγροτεμάχιο ή στάβλο. Αυτά τα δεδομένα υπάρχουν, αλλά δεν έχουν ανατεθεί σε κανέναν ως ευθύνη για σκοπούς αναφοράς — είναι αγροτική λογιστική, όχι λογιστική CSRD, και τα δύο σπάνια ταιριάζουν άψογα μεταξύ τους.
Το τρίτο σημείο είναι η μετατροπή σε μετρήσιμες μονάδες. Η χρήση γης και ο άνθρακας του εδάφους καταγράφονται με πολύ διαφορετικούς τρόπους από διαφορετικούς φορείς, και η μετατροπή σε ενιαία μονάδα αναφοράς αποτελεί ήδη από μόνη της πηγή σφαλμάτων αν κανείς δεν καταγράψει ποια παραδοχή χρησιμοποιήθηκε.
Στον τομέα ΤΠΕ τα δεδομένα βιωσιμότητας βρίσκονται συνήθως σε ψηφιακά συστήματα που ήδη υπάρχουν, και το ζήτημα είναι κυρίως η πρόσβαση σε αυτά. Στον τομέα ενέργειας πολλά δεδομένα έχουν ήδη μετρηθεί, καθώς η υποχρέωση μέτρησης και η παρακολούθηση αποτελούν μέρος της λειτουργίας της επιχείρησης. Ο αγροτικός τομέας συχνότερα στερείται αυτής της βάσης: τα δεδομένα δεν είναι κρυμμένα σε ένα σύστημα, απλά δεν έχουν καταγραφεί ποτέ συστηματικά. Αυτό δεν κάνει το πρόβλημα μεγαλύτερο ή μικρότερο σε σχέση με τις χρηματοοικονομικές υπηρεσίες ή τον κλάδο ακινήτων, αλλά διαφορετικό στη φύση του: εκεί το πρόβλημα είναι συνήθως η ολοκλήρωση μεταξύ συστημάτων, εδώ πρόκειται συχνά πρώτα για καταγραφή στην πηγή.
Ο πειρασμός είναι μεγάλος να αγοράσει κανείς ένα λογισμικό που αυτοματοποιεί τις αναφορές για τον αγροτικό τομέα. Αλλά ένα εργαλείο που ανακτά δεδομένα από συστήματα που δεν περιέχουν τα σωστά δεδομένα, παράγει μόνο μια ωραία μορφοποιημένη αναφορά βασισμένη στα ίδια χαλαρά άκρα. Πριν ένα σύστημα μπορέσει να προσθέσει οτιδήποτε, πρέπει να έχει καθοριστεί ποιο σημείο δεδομένων ανήκει σε ποια πηγή, ποιος εντός ή εκτός του ίδιου οργανισμού είναι υπεύθυνος για αυτό, και ποιος κανόνας ποιότητας καθορίζει αν ένας εισαγόμενος αριθμός είναι πιθανός. Αυτό δεν είναι ερώτημα λογισμικού αλλά ερώτημα οργάνωσης, και προηγείται κάθε συστήματος αναφοράς.
Η Data Readiness Scan καταγράφει ανά σημείο δεδομένων από πού προέρχεται — από τη δική της λειτουργία, από έναν καλλιεργητή, από έναν συνεταιρισμό ή από μια εξωτερική πηγή δεδομένων — και ποιος εντός της αλυσίδας εφοδιασμού είναι υπεύθυνος γι' αυτό. Για έναν τομέα όπου πολλά δεδομένα προκύπτουν εκτός των δικών του τειχών, αυτή η ιδιοκτησία είναι συχνά το κομμάτι που λείπει: όχι ο ίδιος ο αριθμός, αλλά ποιος είναι υπεύθυνος γι' αυτόν. Για να καθοριστεί ποια σημεία δεδομένων είναι πράγματι σχετικά για μια αγροτική επιχείρηση, και ποια αναφέρονται χωρίς να έχουν λειτουργία, είναι χρήσιμη η διάκριση που γίνεται στο ποια σημεία δεδομένων χρειάζεστε πραγματικά όταν υπάρχουν πολλές επιχειρηματικές μονάδες, όπως και η αρχή ότι ένα σημείο δεδομένων συχνά υπάρχει ήδη σε μία από τις υπάρχουσες επιχειρηματικές μονάδες πριν συλλεχθεί εκ νέου.
Μόλις γίνει σαφές ποια σημεία δεδομένων πρέπει να προέλθουν από την αγροτική αλυσίδα εφοδιασμού και ποιος τα παρέχει, προκύπτει ένα δεύτερο ερώτημα: πόσο από την εργασία συλλογής, ελέγχου και ανίχνευσης αυτών των δεδομένων απαιτεί ακόμη ανθρώπινες ενέργειες, και ποιο μέρος είναι αρκετά επαναλαμβανόμενο για να ανατεθεί σε AI. Η σκαν εργασίας της FTE TO AI υπολογίζει αυτό ανά εργασία, όχι με βάση μια εκτίμηση για ολόκληρο τον τομέα αλλά με βάση τις εργασίες που πράγματι εκτελούνται σε μια συγκεκριμένη αλυσίδα εφοδιασμού. Για έναν τομέα όπου πολύς χρόνος αφιερώνεται στην αναζήτηση πηγών αντί στην ερμηνεία αριθμών, αυτό αποτελεί ένα σημείο αναφοράς για να διαπιστωθεί πού ο αυτοματισμός αποδίδει κάτι και πού όχι.
Η σκαν που χαρτογραφεί αυτά τα σημεία δεδομένων, τις πηγές και την ιδιοκτησία για τον αγροτικό τομέα βρίσκεται υπό ανάπτυξη. Όποιος θέλει να λαμβάνει ενημέρωση μόλις η σκαν είναι διαθέσιμη, μπορεί να εγγραφεί στη λίστα αναμονής.
Vraag maar waar een datapunt vandaan komt. Dat is meestal de hele vraag.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.